Zum Inhalt springen

← Blog

OpenAI CodexGitHub Copilot23.12.2025 · Aktualisiert: 2.8.2026

OpenAI Codex vs. GitHub Copilot

Wie schlägt sich OpenAI Codex im praktischen Entwicklungsalltag, und wo liegen seine Stärken und Schwächen gegenüber GitHub Copilot?

Ergänzender Hinweis (August 2026): Wie sich die Agenten seitdem weiterentwickelt haben, zeige ich im Praxistest Claude Code vs. Codex vs. Cursor, in dem drei Agenten dieselbe Website aus derselben Dokumentation bauen.

Ich habe für diesen Beitrag mit Visual Studio Code v1.107.0 auf dem Mac und den folgenden Plugins gearbeitet:

Welche Rolle spielt das Tooling?

Kurz: eine entscheidende Rolle. Wir stehen beim Thema AI-Driven Development noch relativ am Anfang und manche Tools funktionieren einfach schlecht oder gar nicht. In der Folge wird der AI-Driven-Development-Ansatz dann fatalerweise als “funktioniert nicht” abgestempelt. Meiner Ansicht nach können falsche Entscheidungen bei der Wahl der Tools zu falschen (oder fehlenden) strategischen Entscheidungen über den Einsatz von AI-Driven Development führen.

Gute Tools hingegen ermöglichen den typischen “Wow-Effekt” und eine beinahe surreale Produktivitätssteigerung. Diese messbaren Effekte sind entscheidend, sobald man mit Entscheider:innen außerhalb der technischen “IT-Blase” spricht. So viel also zur Motivation für diesen Beitrag.

Mittlerweile gibt es im Übrigen als Alternative zu den reinen AI-Plugins wie Codex oder Copilot auch speziell auf AI-Driven Development optimierte IDEs. Ein Beispiel hierfür stelle ich in meinem Beitrag AI-Driven Development mit Amazon Kiro vor. Ebenfalls spannend ist Google Antigravity, insbesondere wegen des Agent Managers und der nativen Browser-Integration.

OpenAI Codex

OpenAI Codex gibt es schon eine Weile in unterschiedlichen Varianten, aber ich hatte es bisher nicht wirklich auf dem Radar. Erst nach dem Release des IDE-Plugins Ende August 2025 bin ich wieder darüber gestolpert. Codex ist, ähnlich wie GitHub Copilot, ein KI-Agent, der in der Lage ist, Software zu entwickeln. Es gibt Codex als eigenständiges Produkt (also ohne IDE-Integration) und als Plugin für Visual Studio Code. In diesem Beitrag konzentriere ich mich auf die IDE-Variante. Um mit Codex zu arbeiten, benötigt man einen OpenAI-Account und ein Abo (ich selbst habe ein Plus-Abo).

Codex kennt den klassischen Chatmodus und zwei Agenten-Modi (“normal” und “full-access”). Im “normalen” Modus bearbeitet der Agent selbstständig und ohne Rückfragen Dateien im Workspace. Zudem kann er mit den Tools der IDE arbeiten, also z. B. Dateien suchen oder Terminal-Kommandos ausführen. Vor der Ausführung von Kommandos bittet der Agent um Bestätigung. Aktiviere ich “full-access”, fallen diese Rückfragen weg.

Zusätzlich lege ich im Codex-Fenster fest, ob die Anfragen lokal oder in der Cloud verarbeitet werden. Letzteres bedeutet, dass der Agent in einer eigenen Cloud-Umgebung läuft und dort die Anfragen abarbeitet. Diese Cloud-Umgebung wird im OpenAI-Account einmalig eingerichtet. Beispielsweise kann die Verbindung zu einem GitHub-Repository hergestellt werden. Ich habe die Cloud-Variante für diesen Beitrag nicht verwendet und alle Tests nur lokal ausgeführt.

Ein weiterer Parameter legt fest, wie viel “Reasoning Effort” der Agent aufbringen soll. Zur Wahl stehen “Low”, “Medium”, “High” und “Extra High”. Je höher der eingestellte Wert, desto mehr Zeit nimmt sich der Agent für die Bearbeitung der Anfrage – und desto besser fällt idealerweise das Ergebnis aus. Hier fällt schon der erste deutliche Unterschied zu GitHub Copilot auf. Zwar kann ich dort ebenfalls die OpenAI-Modelle wählen, bekomme aber trotzdem nicht das volle Programm. Deutlich wird dies z. B. durch die fehlende Möglichkeit, das Reasoning zu steuern. In Codex hingegen habe ich schon nach kurzer Zeit Anfragen gestellt, die ich bei Copilot eher in die separate ChatGPT-App ausgelagert hätte – also letztlich alle Themen, die über das reine Coding hinausgehen: konzeptionelle Architekturfragen, Diskussionen zum Design oder auch nur die Übersetzung eines Textes.

Auf der anderen Seite lassen sich in Codex ausschließlich die Modelle des Herstellers OpenAI auswählen. Tatsächlich ist das ein entscheidender Unterschied zu GitHub Copilot. Hier stehen verschiedene Modelle unterschiedlicher Anbieter zur Verfügung. Ich finde die Modelle von Anthropic wie z. B. Claude Opus 4.5 immer noch am besten geeignet für die Frontend-Entwicklung, insbesondere wenn es um das Layout der Applikation geht. In meiner täglichen Arbeit wechsle ich daher häufig zwischen Copilot und Codex hin und her, je nachdem, welche Aufgabe gerade ansteht.

Integration in Visual Studio Code

Codex ist gut in Visual Studio Code integriert, aber es gibt noch Unterschiede zur wirklich exzellenten Integration von GitHub Copilot. Copilot kann beispielsweise die zusätzlich konfigurierten MCP-Server für die Agenten verwenden (z. B. zum Zugriff auf Confluence). Mit Codex ist mir das bisher nicht gelungen. Auch finde ich die Kommunikation von Copilot mit mir transparenter, etwa bei der Ausführung von Terminal-Kommandos.

Die eigentliche Entwicklung zusammen mit Codex geht dann sehr flüssig und angenehm voran. Auch komplexe Anfragen werden sauber abgearbeitet. Codex nutzt die internen Tools von Visual Studio Code, etwa die Dateisuche und das Ausführen von Shell-Kommandos, wenn nötig. Im Unterschied zu Copilot kann Codex auch auf Dateien außerhalb des Workspaces zugreifen. Das hat sich in meinen Tests als sehr nützlich erwiesen. Beispielsweise kann man Codex anweisen, ein bestimmtes Feature (in meinem Fall war es die I18N-Funktionalität) von einem Projekt auf ein anderes zu übertragen. Man gibt hierzu im Prompt den Dateipfad zum anderen Projekt an, und Codex liest dieses ein, analysiert es und überträgt die relevanten Teile auf den aktuellen Workspace. Sehr cool!

Kontextauswahl

Beide Plugins können den Kontext – also welche Dateien betrachtet werden – automatisch wählen. Alternativ kann man auch manuell festlegen, welche Dateien berücksichtigt werden sollen. Ich empfehle grundsätzlich, zumindest den initialen Kontext manuell auszuwählen, z. B. über einen Bootstrap-Prompt. In diesem Prompt werden die wichtigsten Dateien im Workspace referenziert, die jeder AI-Agent kennen muss, bevor er mit der eigentlichen Arbeit beginnt. Hierzu gehören z. B. Architektur-Übersichten, Coding-Standards, CI/CD-Pipelines etc. Zudem kann man im Bootstrap-Prompt noch ein paar generelle Hinweise geben, wie bestimmte Aufgaben auszuführen sind. Ein konkretes Bootstrap-Prompt-Beispiel zeigt, wie das in der Praxis aussehen kann.

Sowohl Codex als auch Copilot können übrigens auch Bilder wie beispielsweise Screenshots als Kontext verwenden. Das empfiehlt sich insbesondere für Frontend-Aufgaben, etwa wenn es um die Umsetzung eines in Figma entworfenen Designs geht. In meinen Tests hat das mit beiden Plugins gut funktioniert.

Kontextgröße

Die maximale Größe des Kontexts ist ein entscheidender Faktor, wie gut die Zusammenarbeit mit dem KI-Agenten funktioniert. Je größer der Kontext, desto mehr Informationen stehen dem Agenten zur Verfügung, um die Anfragen korrekt zu bearbeiten. In einem AI-Driven Development-Szenario sind das typischerweise Quellcode-Dateien, aber auch Anforderungen, Architektur-Übersichten, Richtlinien zur Code-Qualität und natürlich die Implementierungspläne.

Die gute Nachricht ist: Sowohl GitHub Copilot als auch Codex bieten ausreichend dimensionierte Kontexte. Copilot sorgt bei einem drohenden “Volllaufen” des Kontexts automatisch selbst wieder für Platz, indem es die bisherige Konversation zusammenfasst. Dabei gehen natürlich ein paar Details verloren, in der Praxis funktioniert das aber richtig gut.

Codex zeigt die aktuelle “Füllrate” des Kontexts an. Dieser ist jedoch so üppig dimensioniert, dass in der Praxis zumindest bei mir bisher keine Probleme aufgetreten sind.

Preismodell

Das Preismodell von GitHub Copilot ist sehr transparent aufgebaut. Je nach Abo gibt es ein gewisses Request-Budget. Wie stark die Sessions mit den Agenten an diesem Budget knabbern, hängt vom verwendeten Modell ab. Ist das im Abo inkludierte Budget aufgebraucht, kann man sehr einfach weitere Requests dazubuchen und ist wieder arbeitsfähig. So soll das sein – großes Lob an dieser Stelle für diesen professionellen Ansatz.

Bei Codex ist das Preismodell leider etwas weniger flexibel. Es gibt ähnlich wie bei GitHub Copilot Limits für die erlaubten Requests, wieder abhängig vom gewählten Abo. Die aktuelle Ausnutzung des Budgets wird im Codex-Plugin angezeigt, dasselbe gilt auch für die “Wartezeit” bis zum nächsten Reset des Budgets. Problematisch wird es jedoch, wenn das Limit erreicht ist. Dann bleibt nämlich nur die Möglichkeit, bis zum nächsten Reset zu warten oder gleich auf das nächste Abo-Level upzugraden. Ein flexibles Dazubuchen von Requests ist nicht möglich.

Fazit

Mit Codex hat OpenAI im Kampf um Marktanteile im boomenden AI-Driven-Development-Markt mächtig Boden gut gemacht. War bisher GitHub Copilot für professionelle Anwender:innen quasi unausweichlich, gibt es jetzt eine starke Alternative. Hilfreich wäre allerdings, wenn OpenAI das Preismodell flexibler gestalten würde, etwa durch die Möglichkeit, zusätzliche Request-Pakete zu buchen.